SDWebImage 在 Flutter 中的使用：通过插件桥接

优质文章学习记录

— 1 min read

SDWebImage 在 Flutter 中的使用：通过插件桥接

关键词：SDWebImage、Flutter插件、跨平台桥接、MethodChannel、图片加载缓存
摘要：本文将带你探索如何在 Flutter 中通过插件桥接技术调用 iOS 原生的 SDWebImage 库。我们会从背景需求出发，用“跨国快递”的比喻解释桥接原理，逐步拆解核心概念，结合代码实战演示如何实现图片加载与缓存，并总结常见问题与未来优化方向。即使你是 Flutter 新手，也能轻松理解跨平台桥接的底层逻辑！

背景介绍

目的和范围

在 Flutter 开发中，图片加载是高频需求。虽然 Flutter 自带 cached_network_image 等第三方库，但在 iOS 平台上，原生的 SDWebImage 经过多年优化，在缓存策略、内存管理、性能稳定性上更成熟。本文将教你如何通过 Flutter 插件桥接技术，让 Flutter 界面直接调用 iOS 的 SDWebImage 能力，实现“跨平台但用原生最优解”的效果。

预期读者

  • 有基础 Flutter 开发经验（能写简单页面）
  • 了解 iOS 原生开发（至少能看懂 Objective-C/Swift 代码）
  • 想学习跨平台桥接技术的开发者

Read more

目标检测数据集——无人机视觉VisDrone数据集

目标检测数据集——无人机视觉VisDrone数据集

随着无人机技术的飞速发展，无人机在航拍、监控、农业、物流等领域的应用日益广泛。与此同时，无人机视角下的视觉任务，如目标检测、目标跟踪和场景理解，也成为了计算机视觉研究的热点。然而，相比传统的地面视角数据集，无人机视角下的图像具有高度变化、小目标密集、复杂背景等独特挑战，这对现有算法提出了更高的要求。 为了应对这些挑战并推动无人机视觉技术的发展，天津大学机器学习与数据挖掘实验室推出了 VisDrone数据集。作为一个大规模、标注精细的无人机视觉数据集，VisDrone 不仅涵盖了丰富的场景和多样化的目标类别，还为研究人员提供了一个极具挑战性的测试平台。无论是小目标检测的精度提升，还是密集场景下的鲁棒性优化，VisDrone 都成为了学术界和工业界不可或缺的资源。该数据集采集自中国14个不同城市，覆盖复杂城市场景、交通枢纽、密集人群等多种环境。 VisDrone官方Github下载渠道可点击访问： https://github.com/VisDrone/VisDrone-Dataset?tab=readme-ov-file 下载的数据集为VisDrone2019-DET-train
【XR技术介绍】一文理清 OpenVR、OpenXR、SteamVR 与各厂商 SDK等容易混淆的概念

【XR技术介绍】一文理清 OpenVR、OpenXR、SteamVR 与各厂商 SDK等容易混淆的概念

在虚拟现实、混合现实开发领域，OpenVR、OpenXR、SteamVR 以及各硬件厂商专属 SDK，是我们经常遇到的东西。是不是傻傻分不清楚，容易混淆它们的定位、归属、功能与适用场景，这些到底是标准协议？还是插件？还是开发工具包？本文将从概念定义、制定 / 开发主体、核心职能、技术关系、适用场景多个维度，系统拆解它们差异与关联，帮你建立完整的认知框架。 一、基础概念总览：先分清 “标准” 与 “实现” 在正式拆解前，先建立一个核心认知：OpenXR 与 OpenVR 是行业标准 / 接口规范，属于抽象的技术协议；SteamVR 是基于标准的 runtime 运行时实现，是可落地的软件平台；硬件厂商 SDK 则是设备专属的底层驱动与开发工具包，是硬件直连的桥梁。标准解决 “兼容统一” 问题，运行时与
Diffusion Transformer(DiT)——将扩散过程中的U-Net换成ViT：近频繁用于视频生成与机器人动作预测(含清华Prediction with Action详解)

Diffusion Transformer(DiT)——将扩散过程中的U-Net换成ViT：近频繁用于视频生成与机器人动作预测(含清华Prediction with Action详解)

前言 本文最开始属于此文《视频生成Sora的全面解析：从AI绘画、ViT到ViViT、TECO、DiT、VDT、NaViT等》 但考虑到DiT除了广泛应用于视频生成领域中，在机器人动作预测也被运用的越来越多，加之DiT确实是一个比较大的创新，影响力大，故独立成本文 第一部分 Diffusion Transformer(DiT)：将扩散过程中的U-Net 换成ViT 1.1 什么是DiT 1.1.1 DiT：在VAE框架之下扩散去噪中的卷积架构换成Transformer架构 在ViT之前，图像领域基本是CNN的天下，包括扩散过程中的噪声估计器所用的U-net也是卷积架构，但随着ViT的横空出世，人们自然而然开始考虑这个噪声估计器可否用Transformer架构来代替 2022年12月，William Peebles(当时在UC Berkeley，Peebles在𝕏上用昵称Bill，在Linkedin上及论文署名时用大名William)、Saining Xie(当时在纽约大学)的两人通过论文《Scalable Diffusion Models with Trans
Neo4j-Desktop2.0安装教程(更改安装路径)

Neo4j-Desktop2.0安装教程(更改安装路径)

引言        由于neo4j-desktop2.0版本是不提供安装页面（默认安装在C盘），从而让你选择安装路径的，这对于C盘内存来说是灾难性的。因此，需要手动设置安装路径。 参考文献： 1. https://zhuanlan.zhihu.com/p/1935104156433121644https://zhuanlan.zhihu.com/p/1935104156433121644 2. https://blog.ZEEKLOG.net/WMXJY/article/details/150649084 安装包下载：https://neo4j.com/deployment-center/?desktop-gdbhttps://neo4j.com/deployment-center/?desktop-gdb 1文件夹创建及环境变量设置     首先需要在C盘以外的位置先创建一个Neo4j2文件夹，再在下面创建两个文件夹：App，PROData来存放软件本体和相关数据 然后打开“高级系统设置”——“环境变量”——系统变量下方的“新建”